CURSO:OPTIMIZACION PARA CIENCIA DE DATOS TRADUCCION:OPTIMIZATION FOR DATA SCIENCE SIGLA:IMT2250 CREDITOS:10 MODULOS:03 CARACTER:MINIMO TIPO:CATEDRA CALIFICACION:ESTANDAR PALABRAS CLAVE:CIENCIA DE DATOS, OPTIMIZACION NO-LINEAL, ALGORITMOS NUMERICOS NIVEL FORMATIVO:PREGRADO I.DESCRIPCIÓN DEL CURSO En este curso los estudiantes analizaran la teoria basica de optimizacion no-lineal, con enfasis en el desarrollo de algoritmos numericos para resolver problemas de mediana escala. Los estudiantes abordaran problemas estadisticos y aplicaciones en el analisis de datos. En este curso el estudiante aprendera herramientas de analisis y resolucion de problemas de optimizacion no-lineal, ademas de un grado importante de especializacion de estas tecnicas para el caso convexo. II.RESULTADOS DE APRENDIZAJE 1.Aplicar los fundamentos de la geometria y analisis de conjuntos y funciones convexas a problemas de optimizacion. 2.Analizar problemas simples de optimizacion a traves de las condiciones de optimalidad y KKT. 3.Dise?ar algoritmos de optimizacion para resolver problemas complejos de mediana escala. 4.Producir implementaciones computacionales para resolver problemas de optimizacion de mediana escala. III.CONTENIDOS 1.Repaso de Calculo 1.1.Nociones de topologia en espacios normados 1.2.R^n y R^{mxn} 1.3.Gradiente y derivadas direccionales 1.4.Optimos locales y globales para funciones multivariadas 1.5.Funciones cuadraticas 2.Minimos Cuadrados 2.1.Sistemas sobre-determinados 2.2.Ajuste de datos 2.3.Sistemas sub-determinados y regularizacion 2.4.Remocion de ruido 2.5.Minimos cuadrados no-lineales 3.El Metodo del Gradiente 3.1.Metodos de direcciones de descenso 3.2.El metodo de descenso del gradiente 3.3.Numero de condicionamiento 3.4.Escalamiento diagonal 3.5.El metodo de Gauss-Newton 3.6.El problema de Fermat-Weber 3.7.Analisis de convergencia para el metodo del gradiente 4.El Metodo de Newton 4.1.El metodo de Newton puro 4.2.El metodo de Newton amortiguado 4.3.Factorizacion de Cholesky 5.Conjuntos Convexos 5.1.Definicion y ejemplos 5.2.Algebra de conjuntos convexos 5.3.La envoltura convexa 5.4.Propiedades topologicas de conjuntos convexos 5.5.Puntos extremos 6.Funciones convexas 6.1.Definicion y ejemplos 6.2.Algebra de funciones convexas 6.3.El subdiferencial 6.4.Caracterizaciones de primer orden para funciones convexas 6.5.Caracterizaciones de segundo orden para funciones convexas 6.6.Conjuntos de nivel de funciones convexas 6.7.Continuidad y diferenciabilidad de funciones convexas 6.8.Funciones reales extendidas 6.9.Maximo de funciones convexas 6.10.Desigualdades y convexidad 7.Optimizacion convexa 7.1.Definicion 7.2.Ejemplos 7.3.El metodo de subgradiente 7.4.Proyecciones ortogonales 7.5.CVX 8.Optimizacion con restricciones 8.1.Puntos estacionarios 8.2.Puntos estacionarios en problemas convexos 8.3.Revisando la proyeccion ortogonal 8.4.El metodo de proyeccion del gradiente 8.5.Problemas con estructura sparse 9.Condiciones de optimalidad para problemas con restricciones lineales 9.1.Teoremas de Separacion y Alternativa 9.2.Las condiciones de Karush-Kuhn-Tucker (KKT) 9.3.Regresion ortogonal 10.Las condiciones de KKT 10.1.Problema con restricciones de desigualdad 10.2.Problemas con restricciones de igualdad y desigualdad 10.3.El caso convexo 10.4.Minimos cuadrados con restricciones 10.5.Condiciones de optimalidad de segundo orden 10.6.Condiciones de optimalidad para el subproblema de region de confianza 10.7.Minimos cuadrados totales 11.Dualidad 11.1.Motivacion y definicion 11.2.Dualidad fuerte para el caso convexo 11.3.Ejemplos y aplicaciones IV.ESTRATEGIAS METODOLOGICAS -Clases expositivas. -Ayudantias. -Talleres practicos. V.ESTRATEGIAS EVALUATIVAS -Interrogaciones: 40% -Tareas: 30% -Examen final escrito: 30% VI.BIBLIOGRAFIA Minima Introduction to Nonlinear Optimization: Theory, Algorithms and Applications with MATLAB. A. Beck. MOS-SIAM Series on Optimization, 2014 Convex Optimization. S. Boyd & L. Vanderberghe. Cambridge Univ. Press, 2004 Complementaria Nonlinear Programming, third edition. Dimitri Bertsekas, 2016. Lectures on Convex Optimization, second edition. Yurii Nesterov, Springer, 2018 PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE INSTITUTO DE INGENIERIA MATEMATICA Y COMPUTACIONAL / SEPTIEMBRE 2020